Gestão e Visualização de Informação

Código:

CC3045

Sigla:

CC3045

Nível:

300

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores

Ocorrência: 2022/2023 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Licenciatura em Inteligência Artificial e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
L:IACD	2	Plano Oficial a partir do ano letivo 2021/22	3	-	6	56	162

Língua de trabalho

Português e inglês
Obs.: Obs.: All course material will be given in English

Objetivos

Esta UC apresenta os conceitos de Gestão e Visualização de Dados com foco especial em Data Science e Visual Analytics. A área abrange um domínio multidisciplinar que combina visualização de dados com a aprendizagem automática no sentido de auxiliar a compreensão e divulgação de dados.
Os estudantes são expostos ao design de representações visuais que suportam tarefas que, por sua vez, permitem fazer a transição entre dados em bruto para insights/inspiração e formulação de novas hipóteses.

Os tópicos incluem conceitos básicos de visualização de informações; análise visual temporal de eventos; análise de conjuntos de dados espaciais e temporais; análise visual de social media; e a análise visual de coleções de texto e multimédia.

Os objetivos do curso são: que os estudantes percebam como realizar visualização de dados de forma efetiva e eficiente; criem protótipos de aplicações para a análise visual usando bibliotecas existentes, acoplando métodos de aprendizagem automática e de visualização. Os estudantes ganharão ainda competências na análise de dados por meio de tarefas de visualização em diferentes domínios de aplicação.

Em particular:

• Criar gráficos adequados ao tipo de contexto e ao problema a explorar


• Criar e aperfeiçoar gráficos, usando as ferramentas R e Python


• Integrar gráficos desenvolvidos em R/Python em ambientes interativos


• Desenhar e desenvolver dashboards de acesso a Big Data para manipulação interativa de múltiplos gráficos


• Ser capaz de desenhar o armazenamento de dados em estruturas relacionais e não-relacionais.

Resultados de aprendizagem e competências

• Compreender e saber aplicar os principais conceitos envolvidos na criação de um gráfico em R (principalmente) e Python usando as suas mais recentes bibliotecas


• Explicar os métodos padrão de aprendizagem automática e mineração de dados e suas particularidades para fins de visualização


• Explicar os métodos de visualização e análise visual e as diferenças entre eles


• Descrever os limites dos métodos de aprendizagem automática e de mineração de dados para resolver problemas de análise de dados e quando os métodos de visualização são possíveis soluções


• Crie estratégias elegantes e simples para resolver problemas de análise de dados, integrando a visualização aos métodos de aprendizagem automática e mineração de dados e justificar as escolhas


• Realizar tarefas de análise de dados em grandes conjuntos de dados para descobrir visualmente padrões de dados e formular hipóteses.


• Perceber que SGBD escolher em função dos dados

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Experiência de uma linguagem de programação, idealmente R ou Python.

Programa

• Representação e transformação de dados


• Visão geral da visualização de dados


• Análise visual: motivação, modelos, desafios e raciocínio analítico


• Elementos fundamentais na visualização gráfica de dados


• Tipos de gráficos, adequação ao problema e integridade gráfica


• Criação de gráficos para dados univariados e multivariados


• Gráficos condicionais, temporais e com valores multi-agregados


• Mineração visual de dados: redução de dimensionalidade para visualização e visualização de resultados de cluster


• Análise visual para coleções de texto e multimédia


• Análise visual para conjuntos de dados espaciais e temporais


• Painéis para manipulação interativa de visualizações gráficas simultâneas


• Confrontação entre armazenamento relacional e não-relacional

Bibliografia Obrigatória

M. O. Ward, G. Grinstein, D. Keim; Interactive Data Visualization: Foundations, Techniques, and Applications (Livro principal)
Hadley Wickham; ggplot2: Elegant Graphics for Data Analysis (Livro principal)

Bibliografia Complementar

William Cleveland; The Elements of Graphing Data. ISBN: 0963488414 (Perspetiva histórica)

Métodos de ensino e atividades de aprendizagem

Nas aulas será usado o método expositivo, sendo apresentada uma visão organizada dos temas do programa, bem como exemplos práticos de aplicação dos mesmos.

Haverá acompanhamento da execução dos trabalhos práticos e criação de milestones de execução.

Análise individual, e a nível de turma, de artigos e textos científicos da área. Apresentação e discussão dos trabalhos em turma.

Cada aula prática será divida num resumo teórico, discussão, e parte prática para aplicação dos conhecimentos em casos reais.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Apresentação/discussão de um trabalho científico	10,00
Exame	30,00
Teste	10,00
Trabalho escrito	10,00
Trabalho prático ou de projeto	40,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	3,00
Elaboração de projeto	10,00
Estudo autónomo	47,00
Frequência das aulas	42,00
Trabalho laboratorial	60,00
Total:	162,00

Obtenção de frequência

Execução de todos os componentes de avaliação.

• Mini-teste (MT)


• Relatório sobre armazenamento de dados (DS)


• Desenvolvimento de projeto (DP)


• Apresentação final (AF)


• exame final (EF)

Exame final com nota igual ou superior a 40% da sua cotação.
Nota final igual ou superior a 9.5 valores.

Fórmula de cálculo da classificação final

Nota = 0,1*MT + 0,1*DS + 0,4*TDP + 0,1*AP + 0,3*EF

Trabalho de estágio/projeto

O projeto do curso é a oportunidade do estudante desenvolver competências e fortalecer conhecimentos em Visualização de Dados. O projeto do curso foi criado para permitir que os estudantes possam experimentar todas as etapas do desenvolvimento, desde a criação de uma nova Ideia para uma visualização de dados numa aplicação de análise visual, até à sua implementação, teste e demonstração. Para uma melhor gestão do tempo e trabalho, o projeto é dividido em diferentes deliverables: proposta, implementação e demonstração do projeto.

Melhoria de classificação

Somente na componente exame final (EF), em época de recurso.

Observações

Júri: Profs. Álvaro Figueira e Rita Ribeiro